模型预测控制器性能监控方法与流程

本发明属于工业过程控制器性能监控
技术领域：
，涉及模型预测控制器性能监控技术，具体地说，涉及了一种基于全变量慢特征分析的模型预测控制器性能监控方法。
背景技术：
：现代工业系统日益趋于高集成化、大规模化，其运行效率和稳定性更加依赖于过程自动控制技术，尤其是以模型预测控制(简称：mpc)为代表的先进控制(简称：apc)技术。然而，实际工业应用中mpc的性能往往会随着时间的推移而恶化，导致产品质量下降，企业利润降低。如果能够对mpc的性能进行实时监控，并根据性能恶化程度及时进行针对性维护，将有助于工业系统的效益提升。工业过程运行过程中采集和存储了海量的运行数据，为研究人员开展数据驱动的mpc控制器性能监控方法研究提供了宝贵契机。由于过程内部状态的时序相关性、过程时滞和反馈控制作用等因素，实际过程数据中必然具有时序动态特性。因此，针对过程数据的时序动态特性，如何从测量数据中提取有用的动态特性信息以监控mpc控制器性能状态是一种具有挑战性的研究课题。为了挖掘工业过程数据中的时序动态特性，慢特征分析(简称：sfa)作为一种有效的控制器性能监控方法，引起了国内外研究人员的广泛关注。该方法通过在快速变化的过程数据中提取变化缓慢的隐含成分作为数据中的动态特征信息。传统慢特征分析方法在控制器性能监控领域取得一定的应用成果，但其有两个方面缺点：其一，仅使用系统的闭环输出数据构建sfa模型，未全面考虑控制变量和模型预测误差这些因素，难以充分描述控制系统状态变化；其二，sfa模型对主导慢特征的选取未充分考虑慢特征对全部过程变量信息的反映程度，容易导致所选取的主导慢特征对某些过程变量信息表达不充分或缺失。这些缺点会导致传统慢特征分析方法难以有效监控mpc控制器性能的变化，降低性能恶化的检测率。技术实现要素：本发明针对传统的慢特征分析方法在mpc控制器性能监控过程中存在的上述问题，提供一种基于全变量慢特征分析(简称：fvsfa)的模型预测控制器性能监控方法，能够提供更加丰富和差异化的性能检测结果，提高性能恶化检测率。为了达到上述目的，本发明提供了一种模型预测控制器性能监控方法，其具体步骤为：收集模型预测控制器历史数据，选择运行工况正常的被控变量数据yo、控制变量数据uo以及模型预测误差数据eo作为基准性能数据集xo＝[youoeo]∈rn×m，其中，n表示数据集xo中样本的个数，m表示数据集xo中变量的个数，并对基准性能数据集xo进行预处理，得到预处理后的数据集x；针对预处理后数据集x进行慢特征分析，获得慢特征投影方向矩阵w；建立全变量信息表达权重矩阵通过分析中的信息描述关系确定主导慢特征空间wd和残差慢特征空间we；构建稳态性能监控指标和动态性能监控指标ψ，计算指标的控制限和指标ψ的控制限clψ；在线采集第t时刻被控变量数据yo,t、控制变量数据uo,t和模型预测误差数据eo,t作为测试数据xo,t＝[yo,tuo,teo,t]∈r1×m，并得到预处理后的测试数据xt；计算预处理后测试数据xt对应的稳态性能监控指标和动态性能监控指标ψt；依据是否超出控制限和ψt是否超出控制限clψ，判断测试数据xo,t是否存在稳态性能或动态性能恶化情形。优选的，通过公式(1)对基准性能数据集xo进行白化预处理，公式(1)的表达式为：xw＝(xo-mean(xo))uλ-1/2(1)式中，λ为基准性能数据集xo协方差矩阵的特征值对角阵，u为基准性能数据集xo协方差矩阵的特征向量矩阵；基准性能数据集xo经上述数据白化预处理后获得数据集xw；对白化后的数据集xw采用公式(2)进行扩维，得到数据集x，公式(2)的表达式为：x＝[xw(1:n-d,:)xw(2:n-d+1,:)…xw(d+1:n,:)](2)式中，md＝m(d+1)，d为扩维数据的长度，xw(1:n-d,:)表示xw第1到n-d行，xw(2:n-d+1,:)表示xw第2到n-d+1行，xw(d+1:n,:)表示xw第d+1到n行。优选的，对数据集x进行慢特征分析时，需要进行如公式(3)中所示的广义特征值分解，公式(3)表示为：aw＝bwω(3)式中，为一阶导数的协方差；为x的协方差；ω是广义特征值组成的对角矩阵；是求解出的慢特征投影方向矩阵，w1表示矩阵w的第1行，表示矩阵w的第md行。优选的，对慢特征投影方向矩阵w所有元素平方，建立全变量信息表达权重矩阵所述全变量信息表达权重矩阵表示为：式中，表示中的第i,i＝1,2,…,md行，描述了过程变量xi对第j,j＝1,2,…,md慢特征方向的信息表达权重；对过程变量xi，都存在一个慢特征方向能最大表达其信息，该慢特征方向即为主导慢特征方向，其对应的序号表示为：遍历的每一行，找出全部变量对应的主导慢特征方向；去除重复方向后，得到k个主导慢特征方向从而建立主导慢特征空间wd为：在慢特征投影方向矩阵w中去掉主导慢特征空间wd，剩余的慢特征方向被认为描述残差数据信息，记为残差慢特征空间we。优选的，对于数据集x中的第h个样本x(h)，分别构建稳态性能监控指标和动态性能监控指标ψ(h)，稳态性能监控指标和动态性能监控指标ψ(h)分别表示为：式中，为样本x(h)投影到主导慢特征空间wd的统计量，te2(h)为样本x(h)投影到残差慢特征空间we的统计量，为样本x(h)的导数投影到主导慢特征空间wd的统计量，为样本x(h)的导数投影到残差慢特征空间we的统计量，为统计量基于给定的置信水平α下的控制限，为统计量te2基于给定的置信水平α下的控制限，为统计量sd2基于给定的置信水平α下的控制限，为统计量和基于给定的置信水平α下的控制限；和通过公式(9)计算，和通过公式(10)计算，公式(9)和公式(10)表示为：式中，ωd表示对应主导慢特征空间的广义特征值对角阵，ωe表示对应残差慢特征空间的广义特征值对角阵；计算数据集x中所有样本的稳态性能监控指标和动态性能监控指标ψ，根据核密度估计方法确定给定的置信水平α下稳态性能监控指标的控制限和动态性能监控指标ψ的控制限clψ。优选的，通过公式(11)对t时刻的测试数据xo,t进行白化预处理，得到白化后数据xw,t，公式(11)表示为：xw,t＝(xo,t-mean(xo))uλ-1/2(11)通过公式(12)对xw,t进行与基准性能数据xw相同长度的扩维，得到扩维后的数据xt，公式(12)表示为：xt＝[xw,t-d…xw,t-1xw,t](12)式中，xw,t-d表示t-d时刻得到的数据，xw,t-1表示t-1时刻得到的数据。优选的，通过公式(13)和(14)分别计算预处理后测试数据xt对应的稳态性能监控指标和动态性能监控指标ψt，公式(13)、(14)表示为：式中，为预处理后测试数据xt投影到主导慢特征空间wd的统计量，为预处理后测试数据xt投影到残差慢特征空间we的统计量，为预处理后测试数据xt的导数投影到主导慢特征空间wd的统计量，为预处理后测试数据xt的导数投影到残差慢特征空间we的统计量；和通过公式(15)计算，和通过公式(16)计算，公式(15)和公式(16)表示为:。优选的，判断测试数据xo,t是否存在稳态性能或动态性能恶化情形的具体步骤为：当且ψt≤clψ时，认为模型预测控制器处于正常性能状态；当且ψt≤clψ时，即模型预测控制器的稳态性能指标超限而动态性能指标没有超限，认为此时模型预测控制器中出现了性能下降，且模型预测控制器通过模型校正和反馈补偿作用抵消了性能恶化源对过程的影响，从而达到新的稳态平衡点；当且ψt>clψ时，即模型预测控制器的稳态性能指标和动态性能指标都超限，认为此时模型预测控制器中出现了性能下降，且模型预测控制器难以完全补偿性能恶化源对过程的影响，导致稳态性能和动态性能同时恶化。与现有技术相比，本发明的优点和积极效果在于：本发明提供的模型预测控制器性能监控方法，综合考虑模型预测控制器的被控变量、控制变量和模型预测误差等全部变量信息，并采用全变量信息表达权重矩阵选取主导慢特征，有效避免了对变量信息表达不充分或信息丢失问题，提高对性能恶化检测的敏感度。本发明提供的模型预测控制器性能监控方法采用的全变量慢特征分析方法能够实现对模型预测控制器的稳态性能和动态性能的并行监控，提供更为丰富和差异化的监控结果，为后续性能维护提供支持。附图说明图1为本发明实施例所述模型预测控制器性能监控方法的流程图；图2为本发明实施案例所述woodberry二元精馏塔系统的结构图；图3a为现有sfa方法对woodberry二元精馏塔mpc控制器性能恶化工况pc1的监控结果示意图；图3b为本发明实施例所述模型预测控制器性能监控方法对woodberry二元精馏塔mpc控制器性能恶化工况pc1的监控结果示意图。图中，1、精馏塔，2、冷凝器，3、再沸器。具体实施方式下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。参见图1，本发明提供了一种模型预测控制器性能监控方法，其具体步骤为：s1、收集模型预测控制器历史数据，选择运行工况正常的被控变量数据yo、控制变量数据uo以及模型预测误差数据eo作为基准性能数据集xo＝[youoeo]∈rn×m，其中，n表示数据集xo中样本的个数，m表示数据集xo中变量的个数，并对基准性能数据集xo进行预处理，得到预处理后的数据集x。具体地，通过公式(1)对基准性能数据集xo进行白化预处理，公式(1)的表达式为：xw＝(xo-mean(xo))uλ-1/2(1)式中，λ为基准性能数据集xo协方差矩阵的特征值对角阵，u为基准性能数据集xo协方差矩阵的特征向量矩阵；基准性能数据集xo经上述数据白化预处理后获得数据集xw；对白化后的数据集xw采用公式(2)进行扩维，得到数据集x，公式(2)的表达式为：x＝[xw(1:n-d,:)xw(2:n-d+1,:)…xw(d+1:n,:)](2)式中，md＝m(d+1)，d为扩维数据的长度，xw(1:n-d,:)表示xw第1到n-d行，xw(2:n-d+1,:)表示xw第2到n-d+1行，xw(d+1:n,:)表示xw第d+1到n行。s2、对预处理后数据集x进行慢特征分析，获得慢特征投影方向矩阵w。具体地，对数据集x进行慢特征分析时，需要进行如公式(3)中所示的广义特征值分解，公式(3)表示为：aw＝bwω(3)式中，为一阶导数的协方差；为x的协方差；ω是广义特征值组成的对角矩阵；是求解出的慢特征投影方向矩阵，w1表示矩阵w的第1行，表示矩阵w的第md行。s3、建立全变量信息表达权重矩阵通过分析中的信息描述关系确定主导慢特征空间wd和残差慢特征空间we。具体地，对慢特征投影方向矩阵w所有元素平方，建立全变量信息表达权重矩阵所述全变量信息表达权重矩阵表示为：式中，表示中的第i,i＝1,2,…,md行，描述了过程变量xi对第j,j＝1,2,…,md慢特征方向的信息表达权重；对过程变量xi，都存在一个慢特征方向能最大表达其信息，该慢特征方向即为主导慢特征方向，其对应的序号表示为：遍历的每一行，找出全部变量对应的主导慢特征方向；去除重复方向后，得到k个主导慢特征方向从而建立主导慢特征空间wd为：在慢特征投影方向矩阵w中去掉主导慢特征空间wd，剩余的慢特征方向被认为描述残差数据信息，记为残差慢特征空间we。s4、构建稳态性能监控指标和动态性能监控指标ψ，计算指标的控制限和指标ψ的控制限clψ。具体地，对于数据集x中的第h个样本x(h)，分别构建稳态性能监控指标和动态性能监控指标ψ(h)，稳态性能监控指标和动态性能监控指标ψ(h)分别表示为：式中，为样本x(h)投影到主导慢特征空间wd的统计量，te2(h)为样本x(h)投影到残差慢特征空间we的统计量，为样本x(h)的导数投影到主导慢特征空间wd的统计量，为样本x(h)的导数投影到残差慢特征空间we的统计量，为统计量基于给定的置信水平α下的控制限，为统计量te2基于给定的置信水平α下的控制限，为统计量sd2基于给定的置信水平α下的控制限，为统计量和基于给定的置信水平α下的控制限；和通过公式(9)计算，和通过公式(10)计算，公式(9)和公式(10)表示为：式中，ωd表示对应主导慢特征空间的广义特征值对角阵，ωe表示对应残差慢特征空间的广义特征值对角阵；计算数据集x中所有样本的稳态性能监控指标和动态性能监控指标ψ，根据核密度估计方法确定给定的置信水平α下稳态性能监控指标的控制限和动态性能监控指标ψ的控制限clψ。s5、在线采集第t时刻被控变量数据yo,t、控制变量数据uo,t和模型预测误差数据eo,t作为测试数据xo,t＝[yo,tuo,teo,t]∈r1×m，并得到预处理后的测试数据xt。具体地，通过公式(11)对t时刻的测试数据xo,t进行白化预处理，得到白化后数据xw,t，公式(11)表示为：xw,t＝(xo,t-mean(xo))uλ-1/2(11)通过公式(12)对xw,t进行与基准性能数据xw相同长度的扩维，得到扩维后的数据xt，公式(12)表示为：xt＝[xw,t-d…xw,t-1xw,t](12)式中，xw,t-d表示t-d时刻得到的数据，xw,t-1表示t-1时刻得到的数据。s6、计算预处理后测试数据xt对应的稳态性能监控指标和动态性能监控指标ψt。具体地，通过公式(13)和(14)分别计算预处理后测试数据xt对应的稳态性能监控指标和动态性能监控指标ψt，公式(13)、(14)表示为：式中，为预处理后测试数据xt投影到主导慢特征空间wd的统计量，为预处理后测试数据xt投影到残差慢特征空间we的统计量，为预处理后测试数据xt的导数投影到主导慢特征空间wd的统计量，为预处理后测试数据xt的导数投影到残差慢特征空间we的统计量；和通过公式(15)计算，和通过公式(16)计算，公式(15)和公式(16)表示为:。s7、依据是否超出控制限和ψt是否超出控制限clψ，判断测试数据xo,t是否存在稳态性能或动态性能恶化情形。具体地，判断测试数据xo,t是否存在稳态性能或动态性能恶化情形的具体步骤为：当且ψt≤clψ时，认为模型预测控制器处于正常性能状态；当且ψt≤clψ时，即模型预测控制器的稳态性能指标超限而动态性能指标没有超限，认为此时模型预测控制器中出现了性能下降，且模型预测控制器通过模型校正和反馈补偿作用抵消了性能恶化源对过程的影响，从而达到新的稳态平衡点；当且ψt>clψ时，即模型预测控制器的稳态性能指标和动态性能指标都超限，认为此时模型预测控制器中出现了性能下降，且模型预测控制器难以完全补偿性能恶化源对过程的影响，导致稳态性能和动态性能同时恶化。同时使用两个性能监控指标进行性能监控能够提供更丰富和差异化的性能变化信息。上述方法中，步骤s1至s4为离线建模阶段，步骤s5至s7为在线测试阶段。本发明上述方法综合考虑模型预测控制器的被控变量、控制变量和模型预测误差等全部变量信息，并采用全变量信息表达权重矩阵选取主导慢特征，有效避免了对变量信息表达不充分或信息丢失问题，提高对性能恶化检测的敏感度。本发明提供的模型预测控制器性能监控方法采用的全变量慢特征分析方法能够实现对模型预测控制器的稳态性能和动态性能的并行监控，提供更为丰富和差异化的监控结果，为后续性能维护提供支持。为了说明本发明上述模型预测控制器性能监控方法的效果，以下结合具体实施例对本发明做出进一步说明。实施例：以woodberry二元精馏塔为例进行说明。参见图2，在woodberry二元精馏塔系统中，物料a进入精馏塔装置，在装置内经过反复地部分汽化和部分冷凝，从而得到预期的塔顶产品y1与塔底产品y2。其传递函数矩阵描述如下：式中，y1(s)为塔顶馏出物浓度，由塔顶回流量u1(s)控制；y2(s)为塔底馏出物浓度，由塔底再沸蒸汽量u2(s)控制；进料a为不可测干扰变量，服从标准差为0.003的高斯分布。记被控变量为y0＝[y1,y2]，控制变量为u0＝[u1,u2]，参数k12和k2为常数，通过调整其大小以分别改变过程模型和干扰模型，造成闭环控制系统的控制性能恶化。当k12＝1，k2＝1时，设计模型预测控制器(以下简称：mpc控制器)，控制器参数为p＝50，m＝2，q＝i，r＝0.1i。被控变量y1和y2的设定值分别为1和0.5，输出约束为-1.2≤y1≤1.2，-1.2≤y2≤1.2。此时mpc控制器性能处于正常工况下，mpc控制器的模型预测误差为e0＝[e1,e2]。在公式(17)所示的正常性能工况下仿真3000个样本点作为基准数据，用于建立fvsfa模型，性能监控指标的置信限选为α＝0.95。另外模拟了3类性能恶化的发生，每一类性能恶化数据分别采集1500个样本点，在第1001个采样时刻设置性能恶化，3类故障的类型见表1。表1性能工况性能恶化描述参数变化范围pc1模型失配k121→1.2pc2干扰变化k21→2pc3输出约束饱和输出约束1.2→0.65上述woodberry二元精馏塔系统的模型预测控制器性能监控方法，含有以下步骤：s1、收集模型预测控制器历史数据，选择运行工况正常的被控变量数据yo、控制变量数据uo以及模型预测误差数据eo作为基准性能数据集xo＝[youoeo]∈rn×m，其中，n表示数据集xo中样本的个数，m表示数据集xo中变量的个数，通过公式(1)对基准性能数据集xo进行白化预处理，获得数据集xw，公式(1)的表达式为：xw＝(xo-mean(xo))uλ-1/2(1)式中，λ为基准性能数据集xo协方差矩阵的特征值对角阵，u为基准性能数据集xo协方差矩阵的特征向量矩阵；对白化后的数据集xw采用公式(2)进行扩维，得到数据集x，公式(2)的表达式为：x＝[xw(1:n-d,:)xw(2:n-d+1,:)…xw(d+1:n,:)](2)式中，md＝m(d+1)，d为扩维数据的长度，xw(1:n-d,:)表示xw第1到n-d行，xw(2:n-d+1,:)表示xw第2到n-d+1行，xw(d+1:n,:)表示xw第d+1到n行。s2、对预处理后数据集x进行慢特征分析，获得慢特征投影方向矩阵w。对数据集x进行慢特征分析时，需要进行如公式(3)中所示的广义特征值分解，公式(3)表示为：aw＝bwω(3)式中，为一阶导数的协方差；为x的协方差；ω是广义特征值组成的对角矩阵；是求解出的慢特征投影方向矩阵，w1表示矩阵w的第1行，表示矩阵w的第md行。s3、对慢特征投影方向矩阵w所有元素平方，建立全变量信息表达权重矩阵所述全变量信息表达权重矩阵表示为：式中，表示中的第i,i＝1,2,…,md行，描述了过程变量xi对第j,j＝1,2,…,md慢特征方向的信息表达权重；对过程变量xi，都存在一个慢特征方向能最大表达其信息，该慢特征方向即为主导慢特征方向，其对应的序号表示为：遍历的每一行，找出全部变量对应的主导慢特征方向；去除重复方向后，得到k个主导慢特征方向从而建立主导慢特征空间wd为：在慢特征投影方向矩阵w中去掉主导慢特征空间wd，剩余的慢特征方向被认为描述残差数据信息，记为残差慢特征空间we。s4、对于数据集x中的第h个样本x(h)，分别构建稳态性能监控指标和动态性能监控指标ψ(h)，稳态性能监控指标和动态性能监控指标ψ(h)分别表示为：式中，为样本x(h)投影到主导慢特征空间wd的统计量，为样本x(h)投影到残差慢特征空间we的统计量，为样本x(h)的导数投影到主导慢特征空间wd的统计量，为样本x(h)的导数投影到残差慢特征空间we的统计量，为统计量基于给定的置信水平α下的控制限，为统计量基于给定的置信水平α下的控制限，为统计量sd2基于给定的置信水平α下的控制限，为统计量和基于给定的置信水平α下的控制限；和通过公式(9)计算，和通过公式(10)计算，公式(9)和公式(10)表示为：式中，ωd表示对应主导慢特征空间的广义特征值对角阵，ωe表示对应残差慢特征空间的广义特征值对角阵；计算数据集x中所有样本的稳态性能监控指标和动态性能监控指标ψ，根据核密度估计方法确定给定的置信水平α下稳态性能监控指标的控制限和动态性能监控指标ψ的控制限clψ。s5、在线采集第t时刻被控变量数据yo,t、控制变量数据uo,t和模型预测误差数据eo,t作为测试数据xo,t＝[yo,tuo,teo,t]∈r1×m，通过公式(11)对t时刻的测试数据xo,t进行白化预处理，得到白化后数据xw,t，公式(11)表示为：xw,t＝(xo,t-mean(xo))uλ-1/2(11)通过公式(12)对xw,t进行与基准性能数据xw相同长度的扩维，得到扩维后的数据xt，公式(12)表示为：xt＝[xw,t-d…xw,t-1xw,t](12)式中，xw,t-d表示t-d时刻得到的数据，xw,t-1表示t-1时刻得到的数据。s6、通过公式(13)和(14)分别计算预处理后测试数据xt对应的稳态性能监控指标和动态性能监控指标ψt，公式(13)、(14)表示为：式中，为预处理后测试数据xt投影到主导慢特征空间wd的统计量，为预处理后测试数据xt投影到残差慢特征空间we的统计量，为预处理后测试数据xt的导数投影到主导慢特征空间wd的统计量，为预处理后测试数据xt的导数投影到残差慢特征空间we的统计量；和通过公式(15)计算，和通过公式(16)计算，公式(15)和公式(16)表示为:。s7、依据是否超出控制限和ψt是否超出控制限clψ，判断测试数据xo,t是否存在稳态性能或动态性能恶化情形。判断测试数据xo,t是否存在稳态性能或动态性能恶化情形的具体步骤为：当且ψt≤clψ时，认为mpc控制器处于正常性能状态。当且ψt≤clψ时，即mpc控制器的稳态性能指标超限而动态性能指标没有超限，认为此时mpc控制器中出现了性能下降，且mpc控制器通过模型校正和反馈补偿作用抵消了性能恶化源对过程的影响，从而达到新的稳态平衡点。当且ψt>clψ时，即mpc控制器的稳态性能指标和动态性能指标都超限，认为此时mpc控制器中出现了性能下降，且mpc控制器难以完全补偿性能恶化源对过程的影响，导致稳态性能和动态性能同时恶化。可见，同时使用两个性能监控指标进行性能监控能够提供更丰富和差异化的性能变化信息。检测到性能恶化发生后，为了评价不同性能监控方法对性能恶化检测效果，通过性能恶化检测率进行不同方法的性能恶化检测效果对比。性能恶化检测率(以下简称：pdr)定义为被检测出是性能恶化数据的样本数目与实际总的性能恶化样本数目之比。很显然，pdr的数值越大，意味着mpc控制器性能监控方法的性能恶化检测效果越好；反之，mpc控制器性能监控方法的性能恶化检测效果越差。在本实施例woodberry仿真中，本发明基于全变量慢特征分析(简称fvsfa)的方法与传统慢特征分析(简称：sfa)方法进行对比。两类方法置信水平均取α＝0.95，以性能恶化工况pc1为例说明性能监控效果。性能恶化工况pc1为过程传递函数的增益变大导致mpc控制器发生模型失配，sfa方法和本发明fvsfa方法的故障检测效果见图3a、图3b。从图3a中可以看出，sfa方法的稳态性能指标和动态性能指标ψ均未发生显著变化，检测率分别为4.60％和4.80％,未检测到性能的恶化。在图3b中，本发明fvsfa方法的稳态性能指标显著超出控制限，其性能超限检测率为99.47％，检测效果要优于sfa方法。从本发明fvsfa方法的性能监控结果可以看出，过程模型发生变化后，在mpc控制器的模型校正和反馈补偿作用下达到一个新的稳态点，mpc控制器的稳态性能恶化，但其动态性能并没有显著下降，这表明此时的性能下降仍在mpc控制器的调节能力之内。表2给出了sfa、fvsfa这两种方法对于3种性能恶化工况的性能恶化检测率。表2从表2中可以看出，对于性能恶化工况pc1和pc2，本发明fvsfa方法的稳态性能指标的检测率均高于sfa方法，同时，结合本发明fvsfa方法的动态性能指标ψ的检测效果，可以看出工况pc1的动态性能并未下降，即此时的性能下降仍在mpc控制器的调节补偿能力之内，而工况pc2的动态性能发生了恶化，即此时的性能下降超出了mpc控制器的调节补偿能力。对于性能恶化工况pc3，sfa方法和本发明fvsfa方法故障检测率较为接近，均超过99％，但本发明fvsfa方法的ψ指标显著高于sfa方法。总体上，本发明fvsfa方法的和ψ能够分别监控控制器的稳态性能和动态性能，具有比sfa方法更高的性能恶化检测率。综合以上分析，本发明fvsfa方法的性能监控检测效果明显优于sfa方法。上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。当前第1页12